BULGULARIN DEĞERLENDĠRĠLMESĠ

Após as malhas que representam a estrutura cerebral forem geradas, a aplicação de visualização de dados DKI visualiza essa malhas de acordo com os parâmetros seleci- onados pelo usuário no painel de controle. Vale lembrar que, devido a complexidade e tamanho de malhas geradas, utilizamos nossa estrutura de visualização nessa aplicação.

A Figura 6.9 ilustra os valores do autovetor (V1,V2,V3) e a curtose média obtidos

para os dados detalhados na Seção 5.3. Utilizamos os autovetores para determinar o direcionamento de fibras (cujo resultado é ilustrado na Figura 6.10) e a curtose média para geração de malha 3D (ilustrado na Figura 6.11).

6.6. APLICAÇÕES 55

Figura 6.9: Ilustração dos valores do autovetor (V1,V2,V3) e da curtose média (MK) com

suas respectivas escalas de valores.

Figura 6.10: Ilustração da aplicação de visualização de dados DKI: a esquerda a janela de visualização e a direita o painel de controle. Nessa aplicação visualizamos ao mesmo tempo, a partir de uma fatia da imagem volumétrica, o traçado das fibras de massa branca, o valor dos sinais DKI (das 30 direções e para o valor b=2000) dos nodos da fatia em questão e a textura de uma das 150 imagens da fatia.

A aplicação de visualização é composta por duas janelas: janela de visualização e painel de controle. Como ilustra a Figura 6.10 que representa a visualização do valor do sinal DKI e traçado das fibras. Pelo painel de controle podemos selecionar uma re-

56 CAPÍTULO 6. EXPERIMENTOS E RESULTADOS

gião para geração do traçado, especificar os tamanhos mínimo e máximo das esferas para gerar o tracejado, especificar a altura máxima do tracejado (que inicializou a partir da fatia), escolher qual das texturas da fatia será utilizada assim como qual valor é utilizado para representar o valor dos sinais DKI nas 30 direções e, finalmente, selecionar quais as estruturas que devem ser visualizadas.

As Figuras 6.11 e 6.12 ilustram a visualização da estrutura a partir dos valores de curtose média, a primeira figura ilustra todo o cérebro. E a segunda ilustra uma região do cérebro a partir da seleção de intervalo dos valores de curtose média para a serem visualizados.

6.6. APLICAÇÕES 57

Figura 6.12: .Visualização de uma região do cérebro a partir da seleção de um intervalo de valores do parâmetro MK. Representamos uma visão da lateral, frente e topo.

Capítulo 7

Conclusões e Perspectivas

Nesta tese, propomos uma estrutura de visualização capaz de eliminar dados gráficos desnecessários para a visualização de uma cena 3D a fim de melhorar o desempenho de visualização.

Além de executarmos análise de eficiência dessa estrutura, propomos uma compara- ção com outros métodos de detecção de visibilidade e três aplicações gráficas para testá-la mais profundamente: visualização com percepção 3D, visualização de dados médicos e visualização em cavernas virtuais.

7.1 Contribuições da Tese

Temos como principal contribuição desta tese a estrutura de visualização capaz de re- presentar cenas 3D complexas com redução significativa do desperdício de processamento de dados desnecessários para visualizá-la. Esta estrutura é capaz de detectar primitivas escondidas a partir de qualquer ponto de vista da cena. São feitas três operações que veri- ficam se uma primitiva é dita escondida: verificar se elas se encontram dentro do volume de visualização, verificar se primitivas estão voltadas para a direção da câmera e, iden- tificar se primitivas ocluem outras primitivas. As duas primeiras operações são bastante simples de implementar e, no caso de detecção de oclusão, determinamos sua ocorrência de duas maneiras: oclusão bloco interno e oclusão entre blocos adjacentes.

O uso de funções algébricas (provenientes da estrutura Ja

1 ) permitem o acesso rápido

dos blocos e das faces destes blocos marcados a serem utilizados, além permitir o acesso às suas adjacências. Essa é outra contribuição, que auxilia o processamento de visuali- zação durante a criação da lista de primitivas. É devido a essas funções que podemos navegar uma cena sem que a operação da criação da lista de primitivas afete o desem- penho da visualização. Em outras palavras, podemos atualizar uma lista de primitivas rapidamente sempre que a navegação da cena cause uma necessidade de atualizar essa lista.

Os resultados obtidos demonstraram a eficiência dessa estrutura, verificamos que a taxa de quadro de visualização melhora tanto para visualização de uma cena estática quanto para uma navegação dessa cena. Verificamos também, que mesmo que as ope- rações de remoção por Back-Face e View-Frustum culling realizem uma maior porção da remoção de primitivas, a operação de detecção oclusão ainda se faz bastante necessária

60 CAPÍTULO 7. CONCLUSÕES E PERSPECTIVAS

em modelos bastante complexos. Além do mais, por executarmos essas duas operações durante a etapa de preprocessamento, evitamos que a etapa de visualização execute essas mesmas operações para essa primitivas já removidas. Identificamos ainda que nosso mé- todo superestima a lista de primitivas potencialmente visíveis porém, como falaremos na Seção 7.2, nossa estrutura pode ser estendida para reduzir essa superestimação a partir de operações de refinamento dos blocos. Quando comparado à outros métodos, detectamos que o nosso método é tão ou eficiente quanto ou mais eficiente para os casos testados.

Uma consequência da redução de dados gráficos gerada por essa estrutura é que esta pode ser utilizada em aplicações baseadas em Web, onde o tempo transmissão desses dados é um fator bastante crítico. A análise que fizemos, na Seção 6.4.2, demonstra o quanto o seu uso pode melhorar o seu desempenho. Vale lembrar que, no início dessas aplicações é necessário somente carregar dados visualizados pelo ponto de vista inicial e os demais dados podem ser carregados ou em paralelo à visualização, ou a medida que forem necessários.

Finalmente, podemos dizer que a estrutura não só melhora o desempenho da visuali- zação e transmissão de dados gráficos, como também, ela é capaz de manter a qualidade visual original de seus modelos sem gerar buracos na cena.

Como dizemos anteriormente, utilizamos a estrutura em três aplicações de visuali- zação. Uma delas é uma aplicação nova para visualizar dados cerebrais obtidos a partir exames por DKI. Os parâmetros obtidos permitiram a geração de malhas 3D detalhadas e dos traçados das fibras da masa branca capazes de identificar o comportamento da difu- são da água dentro do cérebro humano e assim identificando as diversas estruturas desse cérebro.